档位顶端什么也没买到

一览

Opus 5.5 也是第一个「力度参数默认值不是 high」的 Claude 模型，而这件事比降价更要紧。

那条曲线上的四个点，按采购会谈该看到的顺序排列：medium 54.6%，每任务约 0.80 美元；high 54.0%，约 1.09 美元；xhigh 51.4%，约 2.25 美元；max 54.4%，约 6.19 美元。Anthropic 自己对同一批数据的说法是：在默认力度下，该模型以大约五分之一的每任务成本，胜过 GPT-6 Astra 的最好成绩——这是一个关于默认值的论断，不是关于天花板的论断。

9 月 22 日真正交付了什么

价格变动是其中最没意思的部分：每百万 token 4 美元与 20 美元，对比 Opus 5 的 5 美元与 25 美元；缓存读取 0.20 美元，另有 8 美元与 40 美元的快速模式。Anthropic 更强的那个论断是：典型工作负载的运行成本比 Opus 5 低约 40%——这是拿标价做算术得不出来的，剩下的差额来自行为：用更少的 token 与更少的轮次把同一件事做完。

有三条 API 事实比价格更起作用：

• 默认值是 medium。其他每一个支持力度的 Claude 模型默认都是 high。文档把后果说得很直白：一个省略 effort 的请求，会比它在 Opus 5 上低一档运行。因此替换一个模型字符串是一次行为变更，而不是一次版本号提升——而且它恰是那种「表现为质量回退、却没有任何 diff 可以怪」的变更。
• 力度不是思考预算。它作用于每一个输出 token——正文、思考和工具调用。更低的力度产出更少、更简短的工具调用；更高的力度产出更多，并在其周围带上计划与总结。在智能体循环里，这是智能体所做之事的改变，不只是它花销的改变；而文档明说它是「一个行为信号，不是严格的 token 预算」。
• 思考无法关闭。自适应思考始终开启；设置 thinking: {"type": "disabled"} 的请求在任何力度档位都会返回 400。没有可退回的非推理模式，所以在模型这一层，力度是唯一的成本控制。

0.2 个点不算差别

对 FrontierCode 那次扫描，诱人的读法是「max 比 medium 差」。并非如此：一次基准运行里的 54.4% 与 54.6%，是同一次测量换了一种四舍五入的样子。而这恰恰就是要点——在这个样本量下分数差异无法分辨，而成本差异是八倍；因此唯一站得住的结论是：档位顶端没买到任何你能察觉的东西，却照样收了钱。

xhigh 掉到 51.4% 这件事，应当用同样的纪律看待。它可能是真的——在结构化工作上「想太多」是有记录的失效模式，而 Anthropic 自己对某个更早的 Opus 的分模型指引就警告过，max 在结构化输出任务上「可能导致过度思考」。它同样可能只是一次运气不好的运行。仅凭一个数字你无从分辨，而这正是评测方差与统计功效的全部论点，也是为什么在有人把置信区间摆在旁边之前，头条分数大半是抖动。

所以请把那条曲线当作一个形状，而不是四个事实。这个形状说的是：在改代码这类工作上，「想得更久」的回报大约在默认档附近就已经变平，而它上面的一切，定价却像并非如此。

而到了下一个基准，同一个旋钮值八个点

Terminal-Bench 4.0 是那个反例，它让本文不至于变成一篇「越便宜越好」的辩护。Anthropic 在那里的头条数字是 66.4%，对比 Fable 5.1 的 55.8% 与 Opus 5 的 52.3%——而那个头条并不是默认力度下的数字。在默认力度下，同一个模型落在 57–58% 附近，每任务约 3 美元；已发布的曲线随着花销继续往上走，而第三方对该图表的读法在「66.4% 位于哪一档」上并不一致。即使确切那一档存疑，方向也毫无疑问：在长时间运行的终端类工作上，更多思考买到好几个点；在改代码与评审上，它买到的是噪声。

这道不对称有一个值得记住的机械解释。力度既提高工具调用的深度、也提高它的数量，而终端任务正是靠工具调用推进的——读状态、跑一条命令、检查结果。在「打补丁并评审」这类任务上，模型需要的上下文已经在 diff 里了，所以额外的探索无处可探，额外的斟酌也无事可决。力度在「瓶颈是模型尚未拥有的信息」处有回报，在「瓶颈是一个它在任何档位都会做出同样判断的判断」处没有。

力度在循环里是乘法，所以它不是一个按调用计的旋钮

按单次调用去推理力度会得到错误答案，因为这个参数同时落在三处。它改变每轮的 token 数，它改变一轮里包含多少次工具调用，而且——因为一轮推理更充分的回合可以把本来还要再跑一圈才能完成的事做完——它还改变整个任务要花多少轮。前两者把账单推上去。第三者把它推下来，而正是它产出了「降价 20%、却省下 40%」这个说法。

这也是为什么「把力度压低来省钱」这条朴素政策在智能体类工作负载上会反噬：一个每轮省下 30%、却每四次多出一圈白跑的档位，是亏的。这个失败在按请求看的仪表盘上是看不见的，因为每一个单独请求都变便宜了；它只在一个地方可见——那些真正完成了的任务的成本。

每完成一个任务的成本，是唯一活得下来的单位

把两个档位并排放好、各自挂上成功率，这场比较就不再是关于 token 价格的了。设想一个任务族：更便宜的那一档以每次 1.00 美元完成 62% 的尝试，而高一档以每次 1.35 美元完成 85%，并假定一次失败的尝试会在有人来看之前重试一次：

# cost per completed task = attempt cost / success rate (single-shot)
medium : $1.00 / 0.62 = $1.61 per completed task
high   : $1.35 / 0.85 = $1.59 per completed task   # the "expensive" level is cheaper

# now price the failures you actually pay for
review : 15 min of an engineer at $90/h = $22.50 per failed task
medium : 0.38 failures x $22.50 = $8.55 + $1.61 = $10.16
high   : 0.15 failures x $22.50 = $3.38 + $1.59 = $4.97

token 价格的差异是 35%；与决策相关的差异是两倍，而它由一个不出现在任何模型对比页上的数字主导。这正是智能体成本控制围绕构建的那个单位，也是为什么一张以「每百万 token 多少钱」为主键的采购表格，排出的模型顺序与它们实际让你花多少钱关系不大。

在你开始测量的同时，有两处机制要弄对。在请求之间改动顶层的力度值会让提示词缓存失效，所以在同一段对话里搞「动态力度」比看起来更贵；在 Opus 5.5、Opus 5 以及 Fable 5.1 一族上，按消息改动力度（beta 头 mid-conversation-output-config-2026-07-01）能保住已缓存的前缀，而在其他地方，你应当按工作负载挑一个档位并保持不动。另外，在较高档位上请把 max_tokens 设大：它是「思考加回复」合计的硬上限，所以一个宽裕的力度档配上一个紧绷的输出上限，产出的是截断而不是深度。

那次扫描，当作半天的活

Anthropic 自己的文档现在就叫你这么做，而不是把设置从更早的模型搬过来——一家厂商把这句话写进迁移指南并不寻常，值得照字面执行。

• 把其他一切钉住。一个模型快照、一份提示词、一套工具、一个 harness 版本。一次里面夹着提示词改动的力度扫描，什么也没测。
• 在你自己的 30–50 个任务上扫全部五个档位，不是 5 个任务。任务间方差压过运行间方差，所以在同样预算下，加任务胜过在同一批任务上多跑几遍。请记录每次尝试的 token、轮次、墙钟时间与结果。
• 报告「每完成一个任务多少钱」并带上区间，然后停在「区间与最好那档重叠的最便宜档位」。这条规则正是阻止棘轮的东西：没有它，每次扫描最后都会有人拿 0.2 个点的领先来主张 max。
• 在模型变动时重跑，而不是按日历重跑。在 Opus 5 上胜出的那一档，并不构成对 Opus 5.5 的推荐——不同的默认值、不同的校准、不同的工具调用行为。

延伸阅读

本站：

• 自适应思考与力度预算——各厂商的 API 形态，以及覆盖行为。
• 未被钉住的厂商默认值——为什么刚刚挪动的那个默认值是一类问题，而不是一次事件。
• 评测方差与统计功效——为什么 0.2 个点不算一个结果。
• 智能体成本控制——每完成一个任务的成本，以及守住它的那些预算。
• 价格通缩与每任务成本——为什么标价下调总是没出现在你的账单上。

信息来源：

• Anthropic——Claude Opus 5.5 发布
• Claude 文档——Effort
• Claude 文档——模型总览
• VentureBeat——Opus 5.5 的智能体基准与定价